Selbst-Lernende Algorithmen
Einfache statistische Betrachtungsweisen können den Lernprozess nur unzureichend beleuchten. Innerhalb eines LMS werden Tests in den seltensten Fällen so konstruiert, dass das Aufgaben auf einem identischen Niveau wiederholt werden. Deshalb beschreiben Messmodelle, die an die Klassische Testtheorie angelehnt sind, den Lernerfolg innerhalb eines Kriteriums meist nur unzureichend. Sie bieten nur einen zusätzlichen Blickwinkel an, wenn es darum geht, den genauen Lernprozess innerhalb eines Kriteriums besser zu verstehen. Für einen Überblick sind sie allerdings ungeeignet.
Um die Verschiedenheiten von Aufgaben und Personen in einem gemeinsam zu erfassen, wurden verschiedene eigene Testtheorien entwickelt. Die bekannteste ist die Item-Response-Theory bzw. Rasch-Modelle. Sie stellen allerdings hohe formale Anforderungen an das Datenmaterial, die in einem LMS ohne spezielle Vorkehrungen nicht zu erfüllen sind. Als Alternative hierzu verwendet das LMSA Kit Selbst-Lernende Algorithmen aus dem Bereich des Matchmakings. Sie können für pädagogische Zwecke "zweckentfremdet" werden und stellen deutlich geringere Anforderungen an das Datenmaterial.
Innerhalb des LMSA Kits sind verschiedene Matchmaking-Verfahren implementiert.
ELO
Der ELO-Algorithmus ist einer der ersten Matchmaking-Algorithmen. Er kommt aus der Zeit des Online-Schachs. Er versucht aus den Ergebnissen bereits gespielter Schachpartien jedem Spieler eine Fähigkeit zuzuordnen, damit künftige Partien mit ebenbürtigen Gegnern angesetzt werden können. Der ELO-Algorithmus hat sich bis heute in der Schachwelt gehalten. Noch heute werden die Leistungen von Schachspielern durch ihre ELO-Zahl bewertet und der Titel Großmeister darf beispielsweise nur getragen werden, wenn unter anderem mindestens einmal eine ELO-Zahl von über 2500 erreicht wurde. Das LMSA Kit kann diesen Algorithmus zur Bewertung von Leistungen innerhalb eines Kriteriums verwenden.
ELO K
Zum eigentlichen ELO-Algorithmus gehört ein Term, der dessen Lernverhalten modelliert. Dieser Term minimiert für gewöhnlich die Änderungsrate im weiteren Verlauf, damit sich die Bewertung zu Beginn schnell auf ein Anfangsniveau einstellt und später nur bei stabilen Verbesserungen weiter erhöht. In der Variante ELO K wird die zwei Schwellenwerte des ELO-Algorithmus nicht mehr von der original Schachvariante übernommen, sondern können durch den Nutzer angepasst werden.
ELO UN
Statt feste k-Werte vorzugeben, wird hier über ein gebrochen-rationalen Term in Abhängigkeit von der Anzahl der Aufgaben versucht eine stetige Modellierung dieses Lernverhaltens zu implementieren.
k = U / (1+ N * gelöste Aufgaben) mit U,N rationale Zahlen.
Glicko Version 1
Glicko-System wurde von Mark E. Glickman entwickelt. Es ist nutzt ein ähnliches Vorgehen wie der ELO-Algorithmus. Die Änderung der Fähigkeitswerte, wenn ein neues Ergebnis vorliegt, erfolgt aber nicht mehr über eine starr festgelegtes k, sondern wird in Abhängigkeit der Fähigkeit beider Kontrahenten von Fall zu Fall ermittelt. Unerwartete Ergebnisse führen zu stärkeren Änderungen. Kann ein Lernender mit niedrigem Fähigkeitswert, eine schwere Aufgabe lösen, dann steigt sein Fähigkeitswert stärker als bei Lernern mit bereits hohem Fähigkeitswert.
Als Parameter können hier verschiedene Werte eingestellt werden, die vor allem für die Berechnung dieser Änderungsrate verwendet werden. Eine genauere Beschreibung folgt in Kürze.
TrueSkill
TrueSkill ist ein Matchmaking-Verfahren, das von Microsoft entwickelt wurde. Es ist unter anderem auf der XBox Live Plattform implementiert, um hier spannende Matches ansetzten zu können. Es greift auf verschiedene Bayesische Schätzfverfahren zurück, die in einer Art Faktorgraph durchlaufen werden, um hinter der gezeigten Leisteung auf die tatsächlich vorliegende Fähigkeit zu schließen.
Im entsprechenden Plugin wurde zur Implementierung auf Code von Jeff Moser <jeff@moserware.com> zurückgegriffen. Die genaue Lizenz hierzu finden Sie dort im GitHub-Repository bzw. im Plugin-Informationsdialog innerhalb des LMSA Kits.